Sztuczna inteligencja miała sprawić, że firmy będą tworzyć oprogramowanie szybciej i taniej. Gartner ostrzega jednak, że do 2028 roku koszty kodowania z pomocą AI mogą przekroczyć przeciętne wynagrodzenie programisty, jeśli rosnące zużycie tokenów nie zostanie powiązane z wartością wykonywanej pracy.

Prognoza brzmi jak zapowiedź momentu, w którym zatrudnienie człowieka stanie się tańsze od korzystania z modelu. W praktyce ryzyko jest bardziej złożone. Firma nie wybiera między programistą a agentem, lecz płaci jednocześnie za pracę specjalisty, licencję na narzędzie, zużycie modeli oraz późniejszą kontrolę wygenerowanego kodu. AI nie usuwa kosztu zespołu. Dodaje do niego nową, zmienną warstwę, której wysokość zależy od sposobu organizacji pracy.

Od stałej licencji do rachunku za pracę agenta

Pierwsze narzędzia AI dla programistów były sprzedawane jak klasyczne oprogramowanie SaaS. Firma kupowała określoną liczbę stanowisk i z dużym wyprzedzeniem znała miesięczny koszt. Ten model dawał finansom przewidywalność, nawet jeżeli trudno było dokładnie zmierzyć korzyści.

Agenci kodujący zmieniają tę ekonomię. Coraz częściej opłata za użytkownika obejmuje jedynie określoną pulę wykorzystania, a dalsza praca jest rozliczana według zużycia. GitHub łączy już licencje Copilota z kredytami AI, pobierając dodatkowe opłaty po wykorzystaniu firmowej puli. Długa sesja agenta pracującego na wielu plikach i korzystającego z modelu granicznego kosztuje więcej niż krótkie pytanie skierowane do lżejszego modelu.

Dla biznesu oznacza to przejście od kosztu stanowiska do kosztu wykonywanej pracy. Liczba programistów przestaje wystarczać do prognozowania wydatków. Dwóch pracowników z identycznymi licencjami może wygenerować zupełnie inne rachunki, jeśli jeden korzysta głównie z autouzupełniania, a drugi uruchamia agentów analizujących całe repozytoria.

To model dobrze znany z chmury. Serwer lub usługa mogą być tanie w cenniku, ale rachunek zależy od architektury, natężenia ruchu i sposobu wykorzystania. W kodowaniu AI podobną rolę odgrywają liczba wywołań, długość kontekstu, wybór modelu i poziom autonomii.

Najwięcej kosztuje nie napisanie kodu, lecz cała pętla działania

Prosty asystent odpowiada na polecenie albo proponuje fragment kodu. Agent otrzymuje cel i samodzielnie wykonuje serię operacji: analizuje strukturę projektu, wyszukuje potrzebne pliki, planuje rozwiązanie, generuje zmiany, uruchamia testy, interpretuje błędy i ponawia próbę.

Każdy taki krok może oznaczać kolejne wywołanie modelu oraz ponowne przesłanie dużej części kontekstu. Jeżeli agent wpada w pętlę, wybiera zbyt szeroki zakres danych albo wielokrotnie próbuje naprawić ten sam problem, koszt rośnie bez proporcjonalnego postępu. Gartner informuje, że przejście od tradycyjnych asystentów do agentowego kodowania prowadziło w niektórych przypadkach do rachunków nawet stukrotnie wyższych.

Cena tokena jest więc tylko jednym z elementów równania. Większe znaczenie ma konstrukcja procesu. Agent korzystający z drogiego modelu przez kilka minut może być opłacalny, jeśli rozwiązuje wartościowy problem. Tani agent działający godzinami, przesyłający wciąż te same pliki i produkujący odrzucane zmiany pozostaje kosztem, nawet jeśli każde pojedyncze wywołanie wygląda niepozornie.

Ta zależność przenosi odpowiedzialność za budżet z działu zakupów na architekturę środowiska programistycznego. Negocjacja ceny licencji nie wystarczy, gdy o wysokości rachunku decydują reguły wyboru modeli, rozmiar kontekstu i zakres autonomii przyznany agentowi.

Tańsze modele nie gwarantują niższych wydatków

Koszt korzystania ze sztucznej inteligencji szybko spada. Stanford AI Index wskazuje, że między listopadem 2022 a październikiem 2024 roku koszt inferencji modelu osiągającego poziom GPT-3.5 obniżył się ponad 280-krotnie.

Nie musi to jednak oznaczać spadku firmowych rachunków. Tańsze modele otwierają drogę do uruchamiania większej liczby procesów, powierzania agentom dłuższych zadań i obejmowania AI kolejnymi etapami pracy. Lekki użytkownik szybko staje się użytkownikiem intensywnym, gdy narzędzie zostaje wbudowane w codzienny przepływ pracy.

To efekt podobny do obserwowanego w chmurze. Spadek kosztu pojedynczej jednostki obliczeniowej nie zatrzymał wzrostu całkowitych wydatków, ponieważ firmy zaczęły przetwarzać więcej danych i uruchamiać więcej usług. W przypadku agentów kodujących wzrost konsumpcji może być szybszy niż spadek ceny tokenów.

Produktywność nie rośnie jednakowo w każdej organizacji

Wysoki rachunek za AI nie jest problemem samym w sobie, jeśli przynosi większy wzrost wartości. Trudność polega na tym, że produktywność programistów nie daje się sprowadzić do jednej uniwersalnej liczby.

Eksperymenty terenowe obejmujące 4867 programistów wykazały średnio 26-procentowy wzrost liczby ukończonych zadań po udostępnieniu asystenta AI. Większe korzyści osiągali mniej doświadczeni pracownicy.

Inny wynik przyniosło badanie METR przeprowadzone wśród doświadczonych programistów pracujących we własnych projektach open source. W eksperymencie z początku 2025 roku korzystanie z AI wydłużyło czas wykonania zadań o 19 proc., choć sami uczestnicy byli przekonani, że narzędzia ich przyspieszyły. Nowsze dane z 2026 roku sugerują poprawę możliwości AI, ale ich autorzy podkreślają, że nie pozwalają jeszcze wiarygodnie określić skali wzrostu produktywności.

Rozbieżność nie oznacza, że jedno z badań jest błędne. Pokazuje, że wynik zależy od rodzaju zadania, doświadczenia użytkownika, jakości repozytorium i dojrzałości procesu. DORA określa AI jako wzmacniacz: technologia potęguje zalety sprawnych organizacji, ale równocześnie zwiększa skutki chaosu, słabych testów i długu technicznego.

Dla firmy wniosek jest niewygodny, ale istotny. Samo udostępnienie agentów nie tworzy produktywności. W środowisku, w którym kod jest dobrze opisany, zadania są jasno definiowane, a testy szybko wychwytują błędy, AI może skrócić pracę. W chaotycznym systemie agent szybciej produkuje kolejne problemy i jednocześnie zużywa więcej tokenów.

Koszt nie kończy się wraz z wygenerowaniem kodu

Najłatwiej zmierzyć cenę tokenów, ponieważ pojawia się na fakturze. Znacznie trudniej uchwycić czas poświęcony na sprawdzenie, poprawienie i utrzymanie rezultatów pracy AI.

W badaniu Stack Overflow 66 proc. programistów wskazało jako główną frustrację odpowiedzi AI, które są niemal poprawne, ale nadal zawierają błędy. Dla 45 proc. debugowanie kodu wygenerowanego przez AI zajmowało więcej czasu.

To ważne, ponieważ agent może poprawiać lokalny wskaźnik produktywności, jednocześnie pogarszając wynik całego procesu. Więcej wygenerowanego kodu wygląda korzystnie w statystykach aktywności, ale może zwiększyć liczbę przeglądów, defektów, poprawek i incydentów. Czas zaoszczędzony podczas tworzenia pierwszej wersji zostaje wtedy przeniesiony na testerów, architektów, zespoły bezpieczeństwa i utrzymania.

Porównywanie kosztu AI wyłącznie z czasem pisania kodu daje więc niepełny obraz. Ekonomika zaczyna się przy poleceniu przekazanym agentowi, lecz kończy dopiero wtedy, gdy zmiana działa na produkcji i nie generuje nieproporcjonalnych kosztów utrzymania.

Token nie jest miarą wartości

Największym błędem byłoby zarządzanie agentami wyłącznie przez ograniczanie liczby tokenów. Token jest jednostką rozliczeniową dostawcy, a nie miernikiem efektu biznesowego.

Firma może znacząco obniżyć zużycie, kierując każde zadanie do najtańszego modelu. Jeżeli spadnie przy tym jakość odpowiedzi, wzrośnie liczba ponowień i wydłuży się praca programistów, pozorna oszczędność zwiększy całkowity koszt. Równie błędne jest przyznanie wszystkim agentom dostępu do najdroższych modeli w przekonaniu, że wyższa cena automatycznie oznacza lepszy wynik.

Znacznie ważniejszą miarą staje się koszt zaakceptowanej zmiany: ile kosztowała praca modelu, ile czasu poświęcili ludzie, jak długo trwało wdrożenie i czy kod wymagał późniejszych poprawek. Dopiero połączenie tych danych pokazuje, czy agent tworzy wartość, czy tylko zwiększa aktywność.

To przesuwa rozmowę z pytania „ile wydajemy na AI?” na pytanie „co otrzymujemy za każdą wydaną złotówkę?”. Bez takiego przejścia ograniczanie tokenów pozostaje księgową optymalizacją, a zwiększanie budżetu — zakładem opartym na deklarowanej produktywności.

FinOps wchodzi do procesu tworzenia oprogramowania

Kontrola wydatków na agentów zaczyna przypominać zarządzanie kosztami chmury. Organizacje potrzebują widoczności zużycia na poziomie zespołów i procesów, reguł kierowania zadań do różnych modeli oraz mechanizmów wykrywających nietypowe skoki konsumpcji.

Zmiana już jest widoczna w praktykach FinOps. Według raportu State of FinOps 2026 wydatkami na AI zarządza 98 proc. badanych organizacji, wobec 31 proc. dwa lata wcześniej. Zarządzanie kosztami AI stało się też najważniejszą nową kompetencją rozwijaną przez zespoły FinOps.

Nie oznacza to prostego przeniesienia kontroli nad narzędziami programistycznymi do finansów. Efektywny model łączy perspektywę finansową z wiedzą inżynierską. FinOps może wskazać, gdzie rośnie rachunek, ale dopiero zespół techniczny oceni, czy wzrost wynika z wartościowego zadania, źle dobranego modelu czy niekontrolowanej pętli agenta.

Prognoza Gartnera nie przesądza zatem, że kodowanie z AI stanie się nieopłacalne. Pokazuje, że agenci przestają być niedrogim dodatkiem do stanowiska programisty i stają się pełnoprawnym zasobem produkcyjnym. Im większą część pracy przejmują, tym mniej użyteczna staje się cena licencji, a większego znaczenia nabiera ekonomika całego procesu.

Największym ryzykiem nie jest cena tokena, lecz skalowanie agentów bez wiedzy, ile kosztuje jedna zaakceptowana i wdrożona zmiana w oprogramowaniu.